AI 名词大扫盲–总结简化版

---

什么是大模型？

大模型是一个 超级能思考、能理解、能生成内容的“大脑”。

但它没有"手"（不能执行操作，不能对接外部世界），没有"专属知识库"（不知道你的私有数据），没有持久记忆（每次调用对它都是全新的），而且单次对话能看到的内容也有上限（上下文窗口）。

单靠它自己，只能做聊天、出主意这类事，没法落地完成复杂的、具体的任务。

而 Agent 开发，本质上就是：

给这个强大的“大脑”，配上能干活的“手”（Tool 工具调用、Function Calling、MCP）、能存专属知识的“知识库”（RAG），让它从一个只能聊天的助理，变成一个能全自动落地完成任务的智能体。

后面要学的每一个技术，都是在补大模型的某块短板。

---

什么是 Prompt ？

Prompt 是 Agent 的控制面板

在 Agent 开发中，你能控制大模型行为的核心手段只有一个： Prompt。

• System Prompt 定义了 Agent 的"身份和边界"，它是谁、能做什么、不能做什么、必须以什么格式输出
• User Prompt 和注入的内容是 Agent 的"任务输入"，每次要处理的具体数据、具体问题

Prompt 学到位了，以下的技术"为什么要这么写"你才能看明白：

• Function Calling：本质是让大模型按精确格式输出"工具调用指令"，靠的是严格的格式约束 Prompt
• RAG：检索到的知识片段要注入到 Prompt 里，怎么组织这段内容，直接影响模型能不能用对信息
• Agent：多步骤任务的"决策逻辑"、“工具使用规范”、“异常处理方式”，全写在 System Prompt 里

一句话：大模型的能力是固定的，Prompt 决定你能调动它多少。写好 Prompt，是用好大模型的前提，是 Agent 开发的基础功。

---

什么是 Agent ？

Agent 是什么：以大模型为大脑，能自主调用工具、完成多步骤任务的程序。让大模型从"只能说"变成"能干"。

核心组成：

大模型（大脑）+ 工具（双手）+ 记忆（记事本）+ 执行循环（节拍器）

核心机制：

Think → Act → Observe 循环，每轮工具结果都回流给大模型，直到完成

和 Workflow 的本质区别：决策者不同，Workflow 是你提前写好的代码逻辑，Agent 是大模型实时推理。两者不是竞争关系，实际系统里经常结合使用

---

什么是 Tool ？

工具是 Agent 的「双手」，没有工具，Agent 只是一个只会输出文字的大模型；有了工具，Agent 才能真正和外部世界交互、完成具体任务。

一个工具 = 函数本体 + 名称 + 描述 + 参数定义。

大模型看不到函数本体，它靠 name + description + parameters 来判断该不该用这个工具、怎么用。其中 description 最关键，是大模型选工具的唯一依据。

四类工具，风险从低到高：

类型	典型场景	风险	Agent 能自主调用？
查询类	查天气、读文件、搜索网页	低	可以
写入类	发通知、改配置、写数据库	中	高风险操作需人工确认
执行类	跑脚本、重启服务、部署代码	高	必须人工审批
AI 辅助类	RAG 检索、调用子模型	低～中	通常可以，关注结果质量

工具描述的清晰度决定 Agent 的准确率

---

什么是 Function Call ？

Function Calling 是什么：大模型和 Agent 之间的标准化工具调用协议，解决的是「大模型做出调用决策后，如何精准传递指令」的问题，是整个 Agent 开发的底层基础。

为什么需要它：没有 Function Calling 之前，只能用自然语言在 System Prompt 里描述工具，大模型的回复格式完全不可控，开发者要写大量解析和纠错代码；有了 Function Calling，双方都遵循固定的 JSON 规范，彻底告别猜谜。

三部分结构：

工具定义（我能用什么）→ AI 调用格式（我要调哪个）→ 工具返回结果（调完得到什么)

---

什么是 MCP ？

MCP 是什么：Anthropic 推出的开放标准协议，定义了 AI 应用和工具服务之间如何标准化通信，是 AI 工具世界的「USB-C」。

为什么需要它：没有统一标准时，每个工具都要自己写集成，多模型场景下是 N×M 的重复工作量；MCP 把这个问题变成 N+M，工具写一次，全平台可用。

三大角色：

Host（AI 应用）通过内置的 Client（连接器）调用 MCP Server（工具服务），职责清晰，完全解耦。

三种能力：

Tools（可执行操作）、Resources（可读取数据）、Prompts（可复用模板），覆盖 AI 在工具调用场景下的所有需求。

---

什么是 RAG？

RAG 是什么：Retrieval-Augmented Generation，检索增强生成。先从知识库里找到相关内容，再把这些内容加进 Prompt，让大模型基于私有数据生成有据可查的回答。

为什么需要它：大模型的知识是静态的、封闭的，而业务数据是动态的、私有的。把数据全量塞进 Prompt 行不通，超 token 限制、费钱、注意力稀释。RAG 用「按需检索 + 动态注入」绕开了这个死局。

两大阶段：

离线阶段建知识库（加载→切块→向量化→存库），在线阶段查询生成（问题向量化→语义搜索→构造增强 Prompt→大模型生成回答）。

向量化和语义搜索：文字转化为代表语义的数字坐标（向量），语义相近的内容向量距离近。语义搜索不靠关键词匹配，靠语义相似度，能找到「意思相关但词语不同」的内容。

在 Agent 里的位置：RAG 就是一个特殊的工具，「检索知识库」被封装成一次 Function Call，是 Agent 能力体系的重要组成部分。

---

什么是向量数据库？

向量数据库专门解决「海量向量中毫秒级找最近邻」这个问题，靠的是 ANN 索引。

普通数据库存向量没问题，但查向量相似度完全没有优化。百万级向量 + 高维（1536 维）的暴力遍历，每次查询几十亿次浮点运算，压根跑不起来。

HNSW 是最主流的 ANN 索引，核心思路是多层图结构：高层大范围快速跳转，低层精细定位，就像图书馆的多级目录，不用翻所有书就能找到目标区域。代价是牺牲极少量精度，换来 100 倍以上的速度。

选型建议：

学习用 Chroma，生产不想运维用 Pinecone，生产私有化部署用 Milvus 或 Qdrant。

理解了向量数据库，RAG 的离线建库这条链路就完整了：

文档 → 切块 → 向量化 → 存进向量数据库。